[發明專利]一種量子平均池化計算方法

在審

• 申請號: 202010131696.7
• 申請日: 2020-02-29
• 公開（公告）號: CN111340193A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 劉興云;閆茜茜;王鵬程
• 申請（專利權）人: 湖北師范大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N10/00
• 代理公司: 黃石市三益專利商標事務所 42109
• 代理人: 王端英

本發明涉及一種量子平均池化計算方法，包括以下步驟：將量子卷積結果信息|f_n〉長寬各n?qbit，按行展開得到|f_2n〉＝(c₀,c₁,c₂,…,c_2n)^T作為輸入信息，再將量子態|f_2n〉輸入進搭建好的量子平均池化線路模型中；經交換門D_2n作用，|f_2n〉量子態基態的位置發生改變；在第1量子比特與第2n量子比特通過H門作用，其余量子比特經單位陣作用，在此時刻有操作，得到加減相加的量子態基態，其中表示張量積；通過作用后的量子態測量，當測量結果為|00〉態時輸出量子平均池化結果；本發明計算方法具有經典計算機無法比擬的超級計算能力，為人工智能、深度學習卷積神經網絡等大規模計算難題提供解決方案。

技術領域

本發明涉及語音分析和圖像識別領域的量子神經網絡計算技術領域，尤其是一種量子平均池化計算方法。

背景技術

卷積神經網絡是一種特殊的人工神經網絡，目前已經成為語音分析和圖像識別領域最常使用的工具之一，因此也是人工神經網絡研究熱點。Hubel D H等人通過對貓的視覺皮層進行研究發現每個單個神經元不會對整個圖像做出回應，而只對其負責的感受野(receptive filed)做出響應。Fukushima K等人在感受野概念的基礎上首次提出神經認知機(Neocognitron)模型，被公認為是第一個卷積神經網絡(CNN)模型。Lecun Y等提出LeNet-5模型，由卷積層、下采樣、全鏈接層構成卷積神經網絡，在手寫體數字識別實驗上取得巨大成功。Krizhevsky A等人提出AlexNet的出現標志著神經網絡的復蘇和深度學習的崛起。He K等人提出ResNet的在ImageNet圖片分類競賽上表現超過人類水準的算法。

2006年，研究人員成功利用GPU加速了CNN，相比CPU運算速率快了4倍。但隨著數據量的增加，GPU也將無法滿足卷積神經網絡的計算需求，有必要提出一種新的計算方法應對計算能力的無限提升。依據CNN原理及量子計算的并行計算能力，許興陽等人構建了量子門組卷積神經網絡(QGCNN)模型，Cong I等人引入量子卷積神經網絡(QCNN)量子線路模型，將CNN關鍵特性擴展到了量子域。QCNN由卷積層、池化層、全鏈接層構成，不斷的執行卷積層池化層直到系統足夠小，全鏈接層作用于最后剩余量子比特，最后通過測量固定數量的輸出量子位獲得線路結果。基于QCNN量子線路模型，結合量子通用門構建了量子平均池化線路模型。

標準CNN模型通常由卷積層、池化層、非線性激活層以及全鏈接層構成，卷積層對輸入信息進行特征提取，池化層依據池化核的大小及步長對卷積輸出結果信息進行維度的減小和增加平移不變性，池化分為最大池化與平均池化。

發明內容

本發明的目的就是針對上述情況提出一種量子平均池化計算方法，該計算方法具有經典計算機無法比擬的超級計算能力，為人工智能、深度學習卷積神經網絡等大規模計算難題提供解決方案。

本發明的具體方案是：一種量子平均池化計算方法，具體包括以下步驟：

1)將量子卷積結果信息|f_n長寬各n-qbit，按行展開得到|f_2n＝(c₀,c₁,c₂,…,c_2n)^T作為輸入信息，再將量子態|f_2n輸入進搭建好的量子平均池化線路模型中；

2)經交換門D_2n作用，|f_2n量子態基態的位置發生改變；

3)在第1量子比特與第2n量子比特通過H門作用，其余量子比特經單位陣作用，在此時刻有操作，得到加減相加的量子態基態，其中表示張量積；